Как этот ИИ предсказывает экстремальные локальные погодные явления
Поскольку изменение климата увеличивает интенсивность и частоту экстремальных погодных явлений, прогнозирование как никогда важно.
Новая модель машинного обучения может повысить точность местных прогнозов погоды, что может оказаться особенно важным для правительств и сообществ с низким уровнем дохода.
Проблема в том, что разработка точных региональных прогнозов, как известно, сложна из-за сложной физики, приводящей к сильным осадкам и экстремальным погодным явлениям. Для регионального прогнозирования требуются суперкомпьютеры и обученные местные специалисты-практики, что делает его доступным только для богатых правительств и сообществ.
Чтобы решить эту проблему, специалисты по обработке и анализу данных и исследователи из стартапа ClimateAi разработали модель машинного обучения, которая может демократизировать региональное прогнозирование до беспрецедентной степени. Модель корректирует погрешности, которые в настоящее время существуют в глобальных моделях погоды, и предлагает точные местные прогнозы без традиционных и дорогостоящих ограничений существующих систем прогнозирования.
Исследование команды, касающееся модели, прошло обширную экспертную оценку и должно быть опубликовано на 25-й Международной конференции по искусственному интеллекту и статистике (AISTATS) в конце марта.
Оказывается, что в основе проблемы лежит вопрос решения. Традиционные прогнозы погоды на несколько дней вперед имеют очень грубое разрешение и поэтому не фиксируют локальные экстремальные явления. Одной из альтернатив, которая использовалась в последние годы, является использование текущих наблюдений для прогнозирования местной погоды с точностью до пары часов.
Полезность таких прогнозов ограничена, когда речь идет об экстремальных погодных явлениях. Решение состоит в том, чтобы увеличить разрешение тех традиционных прогнозов, которые являются достаточно точными.
Ведущий специалист по обработке и анализу данных ClimateAi доктор Стефан Расп и Илан Прайс из Оксфордского университета разработали инновационный подход к машинному обучению. Он использует генеративно-состязательные сети (GAN), обученные на глобальных прогнозах погоды, чтобы скорректировать смещения, существующие в текущих моделях погоды. Новая модель уменьшает глобальные прогнозы, чтобы они были такими же точными, как и локальные прогнозы, не требуя огромных вычислительных, финансовых и человеческих ресурсов, ранее необходимых для такого небольшого масштаба.
«Выходя за рамки недавнего всплеска активности по улучшению «прогнозов текущей погоды», наша новая модель достигает той же точности для прогнозов на горизонте от нескольких часов до нескольких дней», — отметил д-р Расп. «Используя двойной подход, мы можем учесть систематические ошибки в глобальных моделях и увеличить разрешение прогноза, чтобы точно отразить региональные экстремальные явления».
Устраняя дорогостоящие ограничения существующих систем прогнозирования, в том числе потребность в высококвалифицированном метеорологе, подающем информацию через сложные модели, этот новый метод может стать благом для сообществ, которые не могут позволить себе технологию для местных прогнозов с высоким разрешением.
Как это выглядит на практике? ClimateAi предлагает сценарий, в котором вместо того, чтобы просто подтверждать «40% вероятность дождя на этой неделе» для всего региона, новая модель позволит пользователям легко отвечать на более полезные вопросы, такие как:
Какова вероятность того, что он выйдет, или не будет дождя завтра?
Где именно будет дождь?
Если пойдет дождь, будет ли моросить дождь повсюду, лить в одном конкретном месте или лить во многих местах, но моросить в других?
Исследователи отмечают, что грубые, масштабные прогнозы скрывают ответы на эти вопросы.
«Прорывы в области искусственного интеллекта и машинного обучения меняют прогнозирование погоды, и ресурсоемкие региональные модели погоды вскоре могут быть полностью заменены подходами машинного обучения», — добавил д-р Расп. «Действенные прогнозы поддержат предприятия и правительства, стремящиеся защитить свои инициативы и операции от изменения климата».
Конечно, новая модель также соответствует более широким бизнес-целям ClimateAi по оказанию помощи компаниям в более эффективном управлении климатическими рисками с помощью действенной информации. В эпоху участившихся экстремальных погодных условий из-за изменения климата компания из Сан-Франциско призвана помочь цепочкам поставок избежать дорогостоящих сбоев.